快速点磨削加工过程中的振动仿真与预测
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 快速点磨削 | 第12-13页 |
| 1.2 课题的研究现状 | 第13-16页 |
| 1.2.1 快速点磨削技术的研究现状 | 第13-15页 |
| 1.2.2 非线性振动的研究现状 | 第15-16页 |
| 1.3 快速点磨削技术特点 | 第16-17页 |
| 1.4 论文的来源、意义和总体的框架 | 第17-20页 |
| 1.4.1 论文的来源和意义 | 第17页 |
| 1.4.2 论文研究的总体框架 | 第17-20页 |
| 第2章 试验条件和试验方案 | 第20-28页 |
| 2.1 快速点磨削振动试验条件 | 第20-23页 |
| 2.2 试验样品 | 第23-24页 |
| 2.3 磨削振动数据采集系统 | 第24-26页 |
| 2.3.1 磨削过程信号采集 | 第24-25页 |
| 2.3.2 压电式加速度传感器原理 | 第25-26页 |
| 2.4 磨削工艺试验参数方案 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 快速点磨削振动试验分析 | 第28-42页 |
| 3.1 快速点磨削工艺试验振动信号分析 | 第28页 |
| 3.2 不同种材料振动信号时域分析 | 第28-33页 |
| 3.3 点磨削参数的影响 | 第33-41页 |
| 3.3.1 45号钢加工过程中振动信号分析 | 第33-37页 |
| 3.3.2 40Cr加工过程中振动信号分析 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于多元非线性回归的点磨削振动模型 | 第42-56页 |
| 4.1 非线性回归数值模拟 | 第42-43页 |
| 4.1.1 “线性化”方法 | 第42-43页 |
| 4.1.2 非线性回归拟合情况比较 | 第43页 |
| 4.2 多元线性回归模型理论 | 第43-49页 |
| 4.2.1 多元线性回归的概念 | 第44页 |
| 4.2.2 估计回归参数的方法 | 第44-45页 |
| 4.2.3 回归方程的显著性检验 | 第45-46页 |
| 4.2.4 回归系数的显著性检验 | 第46-47页 |
| 4.2.5 标准回归方程及其显著性检验 | 第47-49页 |
| 4.3 一元及多元非线性回归模型的建立 | 第49-55页 |
| 4.3.1 试验材料及方法 | 第49页 |
| 4.3.2 一元回归方程 | 第49-53页 |
| 4.3.3 多元非线性回归方程 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于BP神经网络的点磨削振动预测 | 第56-68页 |
| 5.1 人工神经网络 | 第56页 |
| 5.2 人工神经网络的分类 | 第56-57页 |
| 5.3 BP神经网络结构及特点 | 第57-58页 |
| 5.4 BP网络的学习局限性 | 第58-59页 |
| 5.5 BP网络学习算法的改进 | 第59-60页 |
| 5.6 快速点磨削加工振动神经网络模型的建立 | 第60-66页 |
| 5.6.1 获取样本数据 | 第60-61页 |
| 5.6.2 建立45号钢BP网络模型 | 第61-63页 |
| 5.6.3 网络的训练结果 | 第63-64页 |
| 5.6.4 45号钢的神经网络测试 | 第64页 |
| 5.6.5 40Cr的神经网络预测模型 | 第64-66页 |
| 5.7 本章小结 | 第66-68页 |
| 第6章 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
